Systém správy map pro vizuální navigaci

Abstract

Při dlouhodobém nasazení čelí autonomní roboti využívající navigaci typu Visual Teach & Repeat výzvám, které přinášejí velké rozdíly ve vzhledu prostředí způsobené sezónními změnami nebo změnami způsobenými lidskou činností. V této práci představujeme efektivní způsob ukládání map pro navigaci Visual Teach & Repeat, který nám umožňuje provádět spektrální analýzu dat uložených na serveru, abychom zjistili frekvence pseudocyklických procesů daného prostředí a vytvořili jeho model. Tento model je dále využit při plánování cesty pro nalezení posloupnosti map, které optimalizují kriteria, jako je například délka trasy, robustnost průjezdu nebo prohledání prostředí. Provedli jsme experimenty k vyhodnocení funkčnosti představené metodiky a výsledky ukazují, že plánovaná cesta vede k robustní navigaci na základě aktuálního stavu prostředí. Představený rámec umožňuje zmírnit negativní dopad změn ve vzhledu prostředí na robustnost tohoto vizuálního navigačního systému.

In long-term deployments, autonomous robots based on Visual Teach & Repeat navigation face the challenges brought on by vast differences in visual information due to seasonal changes as well as changes due to human activities. In this thesis, we present an efficient way to store maps for Visual Teach & Repeat navigation which enables us to perform a spectral analysis on the data stored in the server to find the frequencies of the pseudo-cyclic processes of the surroundings and develop a model of the environment. The model helps in path planning to find a sequence of maps suitable for robust navigation for the current time and optimizes other criteria and hence try to mitigate the challenges brought on by seasonal changes and human activities in the long-term. The framework also provides a convenient way to switch from robust navigation to exploration mode when desired. We performed experiments to evaluate the functionality of the presented methodology and the results indicate that the planned path leads to robust navigation based on the current state of the environment.